OneAdvanced schiera oltre 50 agenti AI su AWS sovrano UK

OneAdvanced ha messo in produzione oltre 50 agenti AI su un’infrastruttura AWS interamente nel Regno Unito. Per farlo ha self-hostato Llama 4 Maverick e Llama Guard 4 su Amazon SageMaker, così i dati non lasciano il paese¹.

Fornitore di software enterprise con oltre 10.000 clienti, OneAdvanced doveva consegnare funzionalità di AI rispettando residenza e sovranità dei dati UK. Al momento del progetto i modelli scelti non erano disponibili come servizi gestiti nella regione britannica. La scelta è caduta quindi su modelli open-weight in self-hosting sotto controllo diretto¹.

L’architettura, descritta in un post AWS co-firmato dal team di OneAdvanced, concentra tutte le componenti nella regione UK: Llama 4 Maverick e Llama Guard 4 girano su Amazon SageMaker in modalità self-hosted; la pipeline di Retrieval Augmented Generation si appoggia ad Amazon Aurora PostgreSQL-Compatible Edition con l’estensione pgvector per indicizzazione e ricerca vettoriale; l’orchestrazione degli agenti usa Strands Agents SDK; il livello strumenti è containerizzato su Amazon Elastic Container Service (ECS) e fornisce le capacità che gli agenti invocano per svolgere i compiti¹.

Il vincolo era chiaro: mantenere i dati nel perimetro nazionale pur adottando i modelli preferiti. L’hosting diretto su SageMaker dà controllo sull’ambiente e sulla traiettoria dei dati. Aurora con pgvector fornisce un retrieval locale che alimenta il RAG senza chiamate fuori regione. Strands Agents SDK coordina gli oltre 50 agenti specializzati, che consultano il layer strumenti su ECS quando serve eseguire azioni esterne. Ogni passaggio resta nella stessa regione, allineato ai requisiti di residenza¹.

La decisione di auto-ospitare i modelli ha un obiettivo operativo: non attendere la disponibilità dei servizi gestiti nella regione UK. Il team ha così potuto usare Llama 4 Maverick per le capacità generative e Llama Guard 4 per i controlli, bilanciando libertà di scelta e controllo di confine dei dati. L’approccio riduce l’esposizione a cambi di roadmap nei servizi gestiti e consente di standardizzare strumenti e pipeline senza spostare i dataset¹.

Sulla base informativa, la combinazione Aurora + pgvector evita dipendenze da store esterni e preserva la località delle query semantiche. Questo supporta casi d’uso che richiedono aggiornamenti frequenti del contesto e latenza prevedibile. Nel livello applicativo, gli agenti si dividono ruoli specialistici e cooperano tramite l’SDK, che gestisce turni, chiamate a strumenti su ECS e passaggi di contesto. La molteplicità degli agenti riflette l’organizzazione delineata nel caso d’uso, non una ricerca di complessità fine a sé stessa¹.

La lezione per chi opera con vincoli di residenza è diretta: se i modelli desiderati non esistono ancora come servizi gestiti nella regione necessaria, la combinazione di self-hosting su SageMaker, RAG locale su Aurora e orchestrazione con Strands Agents SDK offre una via praticabile, tutta in-regione. Resta il trade-off implicito di dover orchestrare più componenti, ma il progetto mostra come conciliare scelta dei modelli e sovranità dei dati senza deroghe geografiche¹.